Чтение онлайн

Эффект обратной связи означает цикличность, замкнутость несущего информацию сигнала с выхода на вход системы управления. Посредством обратной связи осуществляется приведение объекта управления в соответствие с функционально-заданным результатом управления. Отрицательная обратная связь уменьшает действие возмущающих воздействий, положительная – усиливает, что может привести к разрушению системы управления.

В традиционной кибернетике гомеостаз рассматривается как некоторое устойчивое с точки зрения цели управления состояние объекта. Гомеостаз здесь обеспечивается тем, что всякие отклонения состояний объекта управления от цели управления компенсируются за счет отрицательной обратной связи. То есть в этом представлении гомеостаз прочно связан с целью управления.

Эвристический путь совершенствования систем управления постепенно формализуется в рамках теории систем путем выработки синтетических обобщающих концепций методологического плана. Среди них общая теория систем Л. Берталанфи, кибернетика Н. Винера, функциональная теория систем М. И. Сетрова, ветви системного анализа, системотехнические и системологические работы, «глобальные идеи» теории управления, такие как обратная связь, адаптация.

Те практические задачи, которые сегодня решаются, требуют глубокого изучения отдельных объектов и явлений природы. Большое число задач связано с исследованием сложных систем, включающих множество элементов, каждый из которых представляет собой достаточно сложную систему, и эти системы тесно взаимосвязаны с внешней средой. В настоящее время термин «общая теория систем» трактуется в широком и узком смысле. ОТС в широком смысле – это комплекс математических и инженерныхдисциплин.

Аналогична ситуация и с теорией развития сложных систем. Ее тоже можно понимать в широком и узком смысле. В широком смысле теория развития сложных систем – это естественно-научная конкретизация общей теории развития – материалистической диалектики. В рамках этой же теории должны быть объединены основные положения о поведении сложных систем, разработанные в различных областях научного знания, в результате чего может быть построена концептуальная модель процессов развития сложных систем. Более узкое понимание теории развития предполагает построение математических моделей развития конкретных систем (биологических, экологических, экономических, социальных и т. п.). В этом случае объект исследования выделяется и анализируется конкретной научной дисциплиной.

Особенность простых систем – в практически взаимной независимости их свойств, позволяющей исследовать каждое из них в отдельности в условиях классического лабораторного эксперимента; особенность сложных систем заключается в существенной взаимосвязи их свойств. Систему считают сложной, если она состоит из большого числа взаимосвязанных и взаимодействующих между собой элементов, каждый из которых может быть представлен в виде системы. В качестве содержания теории развития сложных систем можно рассматривать совокупность методологических подходов, позволяющих строить модели процессов развития сложных систем, используя достижения различных наук, а также методы анализа получаемых моделей.

Действие регуляторного механизма развития системы проявляется на различных уровнях ее организации и зависит от реакции на изменение внешних факторов, от форм взаимодействия системы с факторами внешней среды. В зависимости от уровня структуризации системы взаимозависимость с внешними факторами проявляется в различных формах, так как относится к разным уровням организации системы и различным процессам. В роли регулятора выступает внешняя среда, включающая рассматриваемую систему. Внешняя среда должна быть связана с развивающейся системой двумя линиями связи – прямой линией передачи управляющих сигналов от внешней среды к системе и линией обратной связи, передающей во внешнюю среду информацию о действительном состоянии системы. В процессе функционирования система передает во внешнюю среду информацию о количественном составе соответствующих элементов-признаков, об их распределении. Во внешней среде происходит преобразование этой информации (контроль и отбор наиболее ценной информации). Отобранная информация накапливается во внешней среде и передается в систему путем появления соответствующих свойств (признаков) у элементов системы.

В последнее время активно ведутся также работы по построению моделей обработки информации в нервной системе. Большинство моделей основывается на схеме формального нейрона У. МакКаллока и У. Питтса, согласно которой нейрон представляет собой пороговый элемент, на входах которого имеются возбуждающие и тормозящие синапсы; в этом нейроне определяется взвешенная сумма входных сигналов (с учетом весов синапсов), а при превышении этой суммой порога нейрона вырабатывается выходной сигнал.

В моделях уже построены нейронные сети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация (разбиение множества образов на кластеры, состоящие из подобных друг другу образов), топологически корректное отображение одного пространства переменных в другое, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Подавляющее число работ относится к исследованию алгоритмов нейросетей с прагматическими целями.

Предполагается, что практические задачи будут решаться нейрокомпьютерами – искусственными нейро-подобными сетями, созданными на основе микроэлектронных вычислительных систем. Спектр задач для разрабатываемых нейрокомпьютеров достаточно широк: распознавание зрительных и звуковых образов, создание экспертных систем и их аналогов, управление роботами, создание нейропротезов для людей, потерявших слух или зрение. Достоинства нейрокомпьютеров – параллельная обработка информации и способность к обучению.

Несмотря на чрезвычайную активность исследований, многое в них настораживает. Ведь изучаемые алгоритмы выглядят как бы «вырванным куском» из общего осмысления работы нервной системы. Часто исследуются те алгоритмы, для которых удается построить хорошие модели, а не те, что наиболее важны для понимания свойств мышления, работы мозга и для создания систем искусственного интеллекта. Задачи, решаемые этими алгоритмами, оторваны от эволюционного контекста, в них практически не рассматривается, каким образом и почему возникли те или иные системы обработки информации. Настораживает и упрощенность понимания работы нейронных сетей. Ряд исследователей рассматривает нейрон как значительно более сложную систему обработки информации, предполагая, что основную роль в обучении играют молекулярные механизмы внутри нейрона. Все это указывает на необходимость максимально полного понимания работы биологических систем обработки информации и свойств организмов, обеспечиваемых этими системами. Одним из важных направлений исследований может быть анализ того, как в процессе биологической эволюции возникали «интеллектуальные» свойства биологических организмов.

Распознавание образов, сжатие информации, ассоциативная память – эти функции являются необходимыми для различных устройств с искусственным интеллектом. И создатели компьютерной техники уже достаточно продвинулись в этом направлении. Так, если сравнивать мощность искусственных и естественных нейросетей по емкости памяти и скорости работы, то искусственные нейро-сети уже превзошли уровень мухи, хотя еще не достигли уровня таракана.